| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-12页 |
| 1.1 选题背景与研究意义 | 第9-10页 |
| 1.1.1 选题背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 论文框架 | 第11-12页 |
| 第2章 数据挖掘、异常客户识别模型、客户-产品-渠道(CPC)模型概念综述 | 第12-23页 |
| 2.1 数据挖掘概述 | 第12-15页 |
| 2.1.1 数据挖掘概念 | 第12页 |
| 2.1.2 数据挖掘体系结构 | 第12-14页 |
| 2.1.3 数据挖掘功能 | 第14-15页 |
| 2.2 异常客户识别模型概述 | 第15-17页 |
| 2.2.1 异常客户识别模型背景介绍 | 第15页 |
| 2.2.2 异常客户识别模型功能概述 | 第15页 |
| 2.2.3 异常客户识别模型总体逻辑结构概述 | 第15-16页 |
| 2.2.4 异常客户识别模型方法综述 | 第16-17页 |
| 2.3 客户-产品-渠道(CPC)模型概述 | 第17-23页 |
| 2.3.1 客户-产品-渠道(CPC)模型概念及功能特点 | 第17-18页 |
| 2.3.2 客户-产品-渠道(CPC)模型构建方法综述 | 第18-23页 |
| 第3章 数据挖掘在CPC模型中应用研究 | 第23-36页 |
| 3.1 数据挖掘的过程与方法 | 第23-27页 |
| 3.1.1 数据挖掘的过程 | 第23-26页 |
| 3.1.2 数据挖掘的过程 | 第26-27页 |
| 3.2 聚类分析在CPC模型中异常客户识别模型模块的研究 | 第27-31页 |
| 3.2.1 聚类分析概述 | 第27页 |
| 3.2.2 K-Means聚类分析的核心步骤 | 第27-28页 |
| 3.2.3 异常客户识别模型构建步骤 | 第28-31页 |
| 3.3 Logistic回归分析在CPC模型中业务-用户匹配模型的应用研究 | 第31-36页 |
| 3.3.1 Logistic回归分析在CPC模型中业务-用户匹配模型的应用研究 | 第31-33页 |
| 3.3.2 二项Logistic回归分析 | 第33-36页 |
| 第4章 某移动通信省份CPC模型中业务偏好模型实证分析 | 第36-47页 |
| 4.1 建模工具介绍 | 第36页 |
| 4.2 商业背景及目标理解 | 第36-37页 |
| 4.3 数据处理步骤 | 第37-43页 |
| 4.3.1 根据业务经验筛选客户 | 第37-39页 |
| 4.3.2 特征选择 | 第39-40页 |
| 4.3.3 目标变量与输入变量间的相关性分析 | 第40-41页 |
| 4.3.4 输入变量之间的相关性分析 | 第41-42页 |
| 4.3.5 回归系数的显著性检验(WALD检验) | 第42-43页 |
| 4.4 模型构建 | 第43-45页 |
| 4.5 模型评估 | 第45-47页 |
| 第5章 结论与展望 | 第47-49页 |
| 5.1 结论 | 第47-48页 |
| 5.1.1 本文所做的主要工作与结论 | 第47页 |
| 5.1.2 本文存在的不足 | 第47-48页 |
| 5.2 对应用数据挖掘构建CPC模型的建议 | 第48-49页 |
| 参考文献 | 第49-53页 |
| 致谢 | 第53页 |
